論文の概要: SAFIN: Arbitrary Style Transfer With Self-Attentive Factorized Instance Normalization

• arxiv url: http://arxiv.org/abs/2105.06129v1
• Date: Thu, 13 May 2021 08:01:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-14 22:19:14.388558
• Title: SAFIN: Arbitrary Style Transfer With Self-Attentive Factorized Instance Normalization
• Title（参考訳）: SAFIN:自覚的因子化インスタンス正規化による任意型転送
• Authors: Aaditya Singh, Shreeshail Hingane, Xinyu Gong, Zhangyang Wang
• Abstract要約: 芸術的スタイル転送は、ある画像のスタイル特性を他の画像に移し、その内容を保持することを目的としている。 自己注意に基づくアプローチは、部分的な成功でこの問題に取り組みましたが、望ましくない成果物に悩まされています。 本論文は,自己意識と正規化という両世界のベストを結合することを目的とする。
• 参考スコア（独自算出の注目度）: 71.85169368997738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artistic style transfer aims to transfer the style characteristics of one image onto another image while retaining its content. Existing approaches commonly leverage various normalization techniques, although these face limitations in adequately transferring diverse textures to different spatial locations. Self-Attention-based approaches have tackled this issue with partial success but suffer from unwanted artifacts. Motivated by these observations, this paper aims to combine the best of both worlds: self-attention and normalization. That yields a new plug-and-play module that we nameSelf-Attentive Fac-torized Instance Normalization(SAFIN). SAFIN is essentially a spatially adaptive normalization module whose parameters are inferred through attention on the content and style image. We demonstrate that plugging SAFIN into the base network of another state-of-the-art method results in enhanced stylization. We also develop a novel base network composed of Wavelet Transform for multi-scale style transfer, which when combined with SAFIN, produces visually appealing results with lesser unwanted textures.
• Abstract（参考訳）: 芸術的スタイル転送は、ある画像のスタイル特性を他の画像に移し、その内容を保持することを目的としている。 既存のアプローチでは、様々な正規化手法が一般的に利用されているが、様々なテクスチャを異なる空間に適切に転送する上では限界がある。 自己注意に基づくアプローチは、部分的な成功でこの問題に対処しているが、望ましくない成果物に悩まされている。 これらの観察に動機づけられ、本論文は両世界の最善(自己着脱と正規化)を組み合わせることを目的としている。 これにより、Slf-Attentive Fac-torized Instance Normalization (SAFIN)と呼ばれる新しいプラグインとプレイモジュールが生成される。 SAFINは本質的に空間適応正規化モジュールであり、パラメータはコンテンツやスタイルの画像に注意して推測される。 SAFINを他の最先端手法のベースネットワークに差し込むとスタイリゼーションが向上することを示した。 また,SAFINと組み合わせることで,より少ないテクスチャで視覚的に魅力的な結果が得られるウェーブレット変換を用いた新しいベースネットワークを開発した。

関連論文リスト

• Style Injection in Diffusion: A Training-free Approach for Adapting Large-scale Diffusion Models for Style Transfer [19.355744690301403]
  本研究では,事前学習した大規模拡散モデルに基づく新たな芸術的スタイル伝達手法を提案する。 実験の結果,提案手法は従来の手法と拡散型方式の両方で最先端の手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2023-12-11T09:53:12Z)
• Retinex-guided Channel-grouping based Patch Swap for Arbitrary Style Transfer [54.25418866649519]
  パッチマッチングベースのスタイル転送の基本原理は、コンテンツ画像特徴マップのパッチを、スタイル画像特徴マップから最も近いパッチで置き換えることである。 既存の手法では、全チャネルスタイルの特徴パッチを単純な信号テンソルとして扱い、信号レベル融合による新しいスタイルの特徴パッチを作成する。 本稿では、上記の課題を解決するために、チャネルグループベースのパッチスワップスワップ技術であるRetinex理論を提案する。
  論文  参考訳（メタデータ） (2023-09-19T11:13:56Z)
• A Unified Arbitrary Style Transfer Framework via Adaptive Contrastive Learning [84.8813842101747]
  Unified Contrastive Arbitrary Style Transfer (UCAST)は、新しいスタイルの学習・伝達フレームワークである。 入力依存温度を導入することで,スタイル伝達のための適応型コントラスト学習方式を提案する。 本フレームワークは,スタイル表現とスタイル伝達のための並列コントラスト学習方式,スタイル分布を効果的に学習するためのドメイン拡張モジュール,スタイル伝達のための生成ネットワークという,3つの重要なコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-03-09T04:35:00Z)
• Styleverse: Towards Identity Stylization across Heterogeneous Domains [70.13327076710269]
  異種ドメイン間のIDS(IDentity Stylization)という課題を提案する。 有効な異種ネットワークベースのフレームワークである$Styleverse$を使用し、単一のドメイン認識ジェネレータを使用します。 $Styleverseは、他の最先端の方法と比較して、より忠実なアイデンティティスタイリングを実現する。
  論文  参考訳（メタデータ） (2022-03-02T04:23:01Z)
• UMFA: A photorealistic style transfer method based on U-Net and multi-layer feature aggregation [0.0]
  本稿では,フォトリアリスティックなイメージスタイリングの自然な効果を強調するために,フォトリアリスティックなスタイル転送ネットワークを提案する。 特に、高密度ブロックに基づくエンコーダとU-Netの対称構造を形成するデコーダとを連立して、効率的な特徴抽出と画像再構成を実現する。
  論文  参考訳（メタデータ） (2021-08-13T08:06:29Z)
• Controllable Person Image Synthesis with Spatially-Adaptive Warped Normalization [72.65828901909708]
  制御可能な人物画像生成は、望ましい属性を持つ現実的な人間の画像を作成することを目的としている。 本稿では,学習フロー場とワープ変調パラメータを統合した空間適応型ワープ正規化(SAWN)を提案する。 本稿では,テクスチャ・トランスファータスクの事前学習モデルを洗練するための,新たな自己学習部分置換戦略を提案する。
  論文  参考訳（メタデータ） (2021-05-31T07:07:44Z)
• Anisotropic Stroke Control for Multiple Artists Style Transfer [36.92721585146738]
  Stroke Control Multi-Artist Style Transferフレームワークを開発した。 異方性ストロークモジュール(ASM)は、様々なスタイルで適応的なセマンティック一貫性を持つネットワークを提供する。 単一スケールの条件付き識別器とは対照的に,識別器はマルチスケールのテクスチャの手がかりを捉えることができる。
  論文  参考訳（メタデータ） (2020-10-16T05:32:26Z)
• Geometric Style Transfer [74.58782301514053]
  幾何学的スタイルの伝達をサポートするニューラルアーキテクチャを導入する。 新しいアーキテクチャはテクスチャスタイルを転送するネットワークに先立って実行される。 ユーザーはコンテント/スタイルのペアを一般的なように入力したり、コンテント/テクスチャスタイル/幾何学スタイルのトリプルを入力できる。
  論文  参考訳（メタデータ） (2020-07-10T16:33:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。